Künstliche Intelligenz (KI)

Maschinelles Lernen (ML)

ML ist ein Teilbereich der KI, der vor allem Algorithmen beschreibt, die das Lernen auf Basis von Daten ermöglicht. Bei komplexeren KI-Systemen sind die Anpassungsfähigkeit, das qualitative Ergebnisse sowie ggf. die selbständige Entscheidungsfindung geprägt durch die gewählten ML-Algorithmen. Es wird hierbei hauptsächlich zwischen drei weiteren Untergruppen von ML-Verfahren unterschieden:

Tiefes Lernen

Tiefes Lernen (Deep Learning – DL) bezeichnet den Einsatz tiefer neuronaler Netze im ML. Die künstlichen neuronalen Netze sind dem Aufbau von Neuronen des menschlichen Gehirns nachempfunden und weisen einen Adaptionsmechanismus auf. Durch den Aufbau und Einsatz sehr großer neuronaler Netze mit mehreren Lagen von Neuronen, ihrer Vernetzung und ihres Adaptionsmechanismus, können diese für komplexere Aufgaben trainiert werden. Zu beachten ist, dass komplexe neuronale Netze mehrere Milliarden Neuronen besitzen können, also auch durchaus mal mehr als das menschliche Gehirn. Das Training sehr komplexer Modelle kann für Unternehmen daher entsprechend zeit- und kostenintensiv sein – beispielsweise durch aktuell noch sehr hohe Hardwarekosten und Trainingszeiten von mehreren Monaten. Komplexe KI-Systeme sind zudem häufig aus mehreren großen und verschachtelten neuronalen Netzen aufgebaut.

Generative KI

Generative KI (Generative AI – GenAI) wird in der Praxis häufig mittels Einsatzes von ML bzw. DL erzeugt, obgleich dies nicht zwingend der Fall sein muss. GenAI wird daher oft als weiteres KI-Verfahren in DL angesehen. GenAI ermöglicht insbesondere scheinbar neue Inhalte in Form von Text, Bildern oder Audio zu erzeugen. Hierfür werden zuvor mit – meist unstrukturierten – Daten sehr große neuronale Netze trainiert. Ein anschauliches Beispiel hierfür ist insbesondere Stable Diffusion, welches aus einer Reihe von textuellen und visuellen Eingaben neue, fotorealistische Inhalte generieren kann. Vereinfacht sorgt hierfür ein DL-Modell dafür, dass ein zufällig verrauschtes Ausgangsbild Schritt für Schritt und entsprechend der Eingaben entrauscht wird. Durch verschiedene zufällig verrauschte Ausgangsbilder entstehen unterschiedliche Inhalte.

Prädiktive KI

Prädiktive KI (Predictive AI), auch bekannt als Predictive Analytics, nutzt historische und aktuelle Daten, um Muster zu erkennen und fundierte Schlussfolgerungen über zukünftige Ereignisse zu ziehen. Sie konzentriert sich auf die Vorhersage zukünftiger Ergebnisse auf Basis vorhandener Informationen. Die prädiktive KI stützt sich i. d. R. auf statistische Algorithmen und ML-Modelle, um Daten zu analysieren und Vorhersagen zu treffen.

Von Menschen programmierte Systeme (Menschliche Intelligenz – MI)

Diese Systeme folgen festen Regeln und Algorithmen, die von Menschen entwickelt und programmtechnisch umgesetzt wurden. Sie sind darauf ausgelegt, bestimmte Aufgaben effizient und genau auszuführen. Darüber hinaus sind sie nicht lernfähig und daher auch nicht in der Lage, die Anwendung selbstständig zu erweitern. Allerdings können sie abgeschlossenen Aufgaben erledigen, die Menschen nicht mehr ohne ihre Hilfe erledigen können. Das wird oft schon mit KI verwechselt und tatsächlich liegt die intellektuelle Leistung dieser Systeme über der ersten KI-Stufe (ANI). Diese Ebene spielt aktuell im Engineering eine wichtige Rolle und deshalb soll sie in diesem Kontext hervorgehoben werden. Bild 2 zeigt einige Beispiele:

Bild 2

Von Menschen programmierte Lösungen im Engineering

1. Projektion von Lichtkanten auf Freiformflächen (a): Durch interaktives Verschieben entstehen die vom Design gewünschten Veränderungen der Oberflächen (Projekt Fiores, VPE, RPTU),

2. Ableitung eines Digital Thread über mehreren Legacy Systemen, um Affected Item bei einer Änderung zu identifizieren (b),

3. Generierung von druckbaren Volumina aus vorgegebenen Parametern (nTop) (c),

4. Routing von doppellagigen Leiterplatten (d).

Künstliche Intelligenz mit begrenztem Funktionsumfang (Artificial Narrow Intelligence – ANI)

Auch als schwache KI bezeichnet. ANI wird im Engineering häufig eingesetzt, um bestimmte Aufgaben mit hoher Präzision, hohem Automatisierungsgrad und somit Effizienz auszuführen. Im Folgenden einige Beispiele [14]:

1. Vorausschauende Wartung

   ANI-Systeme analysieren Maschinendaten, um den Wartungsbedarf vorherzusagen, Ausfallzeiten zu reduzieren und kostspielige Ausfälle zu verhindern.

2. Optimierung von Simulationen

   Berechnungsprogramme mit mehreren sich gegenseitig beeinflussenden Parametern können heute nur in reduzierter Anzahl durchgeführt werden. Durch KI unterstützte Optimierung der Parameter könnten weit höhere Qualitäts- und Optimierungsziele erreicht werden.

3. Qualitätskontrolle

   Bilderkennungssoftware wird eingesetzt, um Produkte während des Herstellungsprozesses auf Fehler zu untersuchen und hohe Qualitätsstandards zu gewährleisten.

4. Robotic Process Automation (RPA)

   Roboter werden so programmiert, dass sie sich wiederholende Aufgaben wie Schweißen, Lackieren und die Montage von Produkten an Produktionslinien ausführen.

5. Structural Health Monitoring

   ANI-Systeme überwachen den Zustand von Bauwerken wie Brücken und Gebäuden, indem sie Daten von Sensoren analysieren, um potenzielle Probleme zu erkennen.

6. Code Assistent zur intelligenten SW-Entwicklung

   ANI ist schon heute ein wesentlicher Bestandteil der SW-Entwicklung (Bild 3). Sie unterstützt Entwickler bei der automatischen Code Vervollständigung, beim Testen und bei der Dokumentation [15].

7. Supply Chain Optimierung

   ANI-Algorithmen optimieren die Abläufe in der Lieferkette, indem sie die Nachfrage vorhersagen, den Lagerbestand verwalten und die Logistik verbessern.

8. ChatGPT, AI Chat oder Gemini

   Als unsere täglichen fleißigen Helfer sind sie in der Lage, Informationen zu recherchieren, komplexe Konzepte zu erklären, Texte zu verfassen und allgemeine Konversationen zu führen. Sie sind darauf trainiert, präzise und verständliche Antworten zu liefern. Ergänzt werden sie durch inzwischen hervorragende Übersetzer mit zielorientierter Textanpassung (locker, akademisch, formal) und mit hervorragenden Literaturrecherchen.

Bild 3

Eingabe ChatGPT: „BOM-Übertragung von CAD-System Onshape zu PLM-System OpenBOM“

Diese Anwendungen zeigen, wie ANI die Effizienz und Genauigkeit bei verschiedenen technischen Aufgaben verbessern kann. ANI ist hochspezialisiert und hervorragend in den ihm zugewiesenen Aufgaben. Sie verfügt jedoch nicht über allgemeine Intelligenz oder die Fähigkeit, Aufgaben außerhalb seines spezifischen Bereichs auszuführen. Hierfür fehlt ANI die Fähigkeit der allgemeinen Anpassungsfähigkeit und damit die Möglichkeit, erlerntes Wissen auf andere Kontexte zu übertragen. Ohne menschlichen Eingriff kann ANI weder ihren Funktionsumfang eigenständig erweitern noch autonom Entscheidungen treffen oder neue Bedeutungszusammenhänge erschließen. Es ist sicher umstritten, ob der kreative Anteil auf dieser Stufe wirklich fehlt. Es basiert zwar bei ANI alles auf gelernten Daten mittels ML, aber auch die noch nie zuvor erlebte Kombination von gelerntem „Wissen“ ist möglich. Zusammengefasst ist diese Ebene gekennzeichnet durch Lösungen, die durch eine sehr effiziente Wissensauswertung, einen hohen Automatisierungsgrad und damit einen sehr guten Performance-Gewinn ermöglichen, aber immer noch von Menschen (langsamer) umgesetzt werden könnten.

KI mit allgemeinem Funktionsumfang (Artificial General Intelligence – AGI)

Auch als starke KI bezeichnet. AGI ist eine theoretische Form der KI, die darauf abzielt, die menschliche Intelligenz nachzubilden, sodass Maschinen in der Lage sind, Wissen zu verstehen, zu erlernen und bei einer Vielzahl von Aufgaben anzuwenden. Obwohl AGI noch nicht realisiert wurde, gibt es einige hypothetische Beispiele dafür, was AGI erreichen könnte [16, 17, 18]:

1. Fortgeschrittene persönliche Assistenten

   Stellen Sie sich einen persönlichen Assistenten vor, der nicht nur Ihre Termine plant und Ihre Fragen beantwortet, sondern auch Ihre Vorlieben versteht, Ihre Bedürfnisse vorhersieht und auf der Grundlage Ihrer bisherigen Interaktionen personalisierte Empfehlungen abgibt.

2. Selbstlernende Robotik

   Mit AGI ausgestattete Roboter könnten sich ohne explizite Programmierung an neue Umgebungen und Aufgaben anpassen. Zum Beispiel könnte ein Haushaltsroboter lernen, neue Rezepte zu kochen, verschiedene Arten von Oberflächen zu reinigen und sogar Gesellschaft zu leisten.

3. Gesundheitsdiagnostik

   AGI könnte das Gesundheitswesen revolutionieren, indem es genaue und personalisierte Diagnosen und Behandlungspläne liefert. Es könnte riesige Mengen medizinischer Daten analysieren, Muster erkennen und die beste Vorgehensweise für einzelne Patienten vorschlagen.

4. Autonome Fahrzeuge

   Während aktuelle selbstfahrende Autos auf schwacher KI (ANI) basieren, könnten AGI-betriebene Fahrzeuge in komplexen und unbekannten Umgebungen navigieren, Entscheidungen in Echtzeit treffen und mit Passagieren auf menschlichere Weise interagieren.

5. Kreative KI

   AGI könnte zur Schaffung von Kunst, Musik und Literatur verwendet werden, die mit menschlicher Kreativität mithalten kann. Sie könnte verschiedene Stile verstehen und nachahmen, originelle Inhalte generieren und sogar mit menschlichen Künstlern zusammenarbeiten. Hier wären beispielsweise auf der Basis natürlicher Spracheingabe das kreative Gestalten und Konstruieren von innovativen Produkten angesiedelt.

Diese Beispiele veranschaulichen das Potenzial von AGI, verschiedene Aspekte unseres Lebens zu verändern. Es ist jedoch wichtig zu beachten, dass AGI nach wie vor ein theoretisches Konzept ist. Es bedarf noch erheblicher Fortschritte in der Forschung, um es zu verwirklichen. Entscheidend ist hierbei, dass die Qualität der Ergebnisse und das Aufgabenspektrum das menschliche Niveau auf allen Ebenen (z. B. auch emotional) erreichen. Was AI benötigt, um auf den Level AGI zu kommen, verdeutlicht Bild 4.

Bild 4

Was benötigt AI, um AGI zu sein? [16]

Künstliche Superintelligenz (Artificial Superintelligence – ASI)

Hierbei handelt es sich um eine hypothetische KI, die die menschliche Intelligenz in allen Aspekten übertrifft, einschließlich Kreativität, Problemlösung und emotionaler Intelligenz. ASI ist noch ein theoretisches Konzept und wird weit in die Zukunft projiziert [13].

(Generiert mit Chat GPT)

Künstliche Intelligenz (KI) wird als nächste, konsequente Stufe der digitalen Transformation betrachtet und hat das Potenzial, sowohl in der Wirtschaft als auch im Arbeitsmarkt tiefgreifende Veränderungen zu bewirken. Bereits 1955 wurde der Begriff KI erstmals erwähnt, doch es existiert bis heute keine einheitliche Definition. Eine vielgenutzte Definition beschreibt KI als die Fähigkeit von Maschinen, Aufgaben autonom auszuführen und sich an neue Situationen anzupassen. Diese Technologie hat in den letzten Jahrzehnten bedeutende Fortschritte gemacht.

Mit der Entwicklung von Large Language Models (LLMs) und den Meinungsunterschieden prominenter Experten wie Sam Altman und Yann LeCun, zeigt sich, dass es nach wie vor verschiedene Ansichten über den Weg zur künstlichen allgemeinen Intelligenz (AGI) gibt. Während einige glauben, dass AGI in naher Zukunft erreichbar ist, sind andere skeptisch und betonen die Herausforderungen, die noch vor uns liegen. Die Wahrscheinlichkeit, dass bis 2028 eine Maschine entwickelt wird, die eine Aufgabe besser als ein Mensch erledigen kann, wird von vielen Forschern auf nur 10 Prozess geschätzt.

Der Weg zur weiteren Entwicklung und Integration von KI in unsere Gesellschaft bleibt spannend und birgt sowohl Herausforderungen als auch Chancen. Die Meinungsunterschiede und die kontinuierliche Forschung im Bereich der KI zeigen, dass es noch viele ungelöste Fragen und Potenziale gibt. Die Anwendung von KI-Verfahren, sei es im Bereich des maschinellen Lernens (ML) oder der generativen KI (GenAI), wird in den kommenden Jahren weiter zunehmen und neue Innovationen hervorbringen.

Die Zukunft der KI wird stark davon abhängen, wie wir als Gesellschaft mit ihren Implikationen umgehen und welche ethischen und regulatorischen Rahmenbedingungen geschaffen werden. Die Entwicklungen in den nächsten Jahrzehnten könnten unser Verständnis von Arbeit, Kreativität und Intelligenz fundamental verändern und neue Möglichkeiten für Fortschritt und Wohlstand bieten. Es bleibt abzuwarten, wie wir diese Möglichkeiten nutzen werden und welche Rolle KI in der Gestaltung unserer Zukunft spielen wird.